چکیده: چکیده تقسیم‌بندی دقیق رگ‌های خونی در تصاویر شبکیه به دلیل نقش حیاتی آن در تشخیص زودهنگام بیماری‌های چشمی مانند رتینوپاتی دیابتی و گلوکوم از اهمیت بسزایی برخوردار است. این پژوهش با هدف ارائه روشی مؤثر برای تقسیم‌بندی خودکار رگ‌های خونی، یک مدل یادگیری عمیق مبتنی بر معماری بهبودیافته U-Net را پیشنهاد می‌دهد. مدل پیشنهادی ابتدا از پیش‌پردازش CLAHE و تکنیک‌های افزایش داده نظیر چرخش و بزرگ‌نمایی برای بهبود دقت تقسیم‌بندی استفاده می‌کند. سپس، با بهره‌گیری از بلوک‌های توجه کانولوشنی و مکانیزم‌های فشرده‌سازی، ویژگی‌های مکانی و کانالی را استخراج می‌نماید. نتایج ارزیابی نشان‌دهنده عملکرد بالای مدل با ضریب دقت 9523/0 است که برتری آن را نسبت به روش‌های مشابه تأیید می‌کند. این پژوهش بر روی دادگان Retina Blood Vessel Segmentation انجام شده است. این مدل می‌تواند به‌عنوان ابزاری کارآمد برای تشخیص خودکار بیماری‌های چشمی در کاربردهای بالینی مورد استفاده قرار گیرد.